آمادگی آزمون متخصص هوش مصنوعی مولد دیتابریکس (Databricks GenAI Engineer Associate) [2026] - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

پیوستن به جامعه دیسکورد Join the Discord Server Community

• پیوستن به جامعه دیسکورد! Join the Discord Server Community!

مبانی دیتابریکس Databricks Fundamentals

• آشنایی با دیتابریکس: حجم‌های کاری داده و AI Introduction to Databricks: Data and AI Workloads

• آزمایشگاه: استقرار فضای کاری دیتابریکس در Azure (عملی) Lab: Deploying a Databricks Workspace on Azure (Hands-On Lab)

• آزمایشگاه: استقرار یک نمونه Compute مدیریت‌شده (عملی) Lab: Deploying a Managed Compute Instance (Hands-On Lab)

• آزمایشگاه: تنظیم مخزن Git برای تمرینات (عملی) Lab: Setting up the Git Repo for Labs (Hands-On Lab)

• درک مفاهیم Data Warehouse، Data Lake و Data Lakehouse Understanding Data Warehouse, Data Lake and Data Lakehouse

مبانی مهندسی داده و تحلیل Data Engineering and Analytics Fundamentals

• درک Spark: مقدمه و تکامل از Hadoop Understanding Spark: Introduction and evolution from Hadoop

• درک Spark: بررسی عمیق و کاربردها Understanding Spark: Deep Dive and Usage

• آزمایشگاه ۱: تسلط بر کار با Spark (عملی) Lab 1: Getting Comfortable with Spark (Hands-On Lab)

• آزمایشگاه ۲: عملیات پیشرفته Apache Spark (عملی) Lab 2: Advanced Apache Spark Operations (Hands-On Lab)

• آزمایشگاه ۳: عملیات روی جداول Delta (عملی) Lab 3: Delta Table Operations (Hands-On Lab)

• مقدمه‌ای بر معماری مدالیون (Medallion Architecture) Introduction to the Medallion Architecture

• آزمایشگاه ۴: پیاده‌سازی معماری مدالیون با Spark (عملی) Lab 4: Implementing the Medallion Architecture with Spark (Hands-On Lab)

مقدمات و مبانی هوش مصنوعی مولد GenAI Primer and Fundamentals

• مقدمه‌ای بر سیستم‌های هوش مصنوعی مولد (GenAI) Introduction to GenAI Systems

• آشنایی با عامل‌های هوشمند و سیستم‌های ترکیبی AI Introduction to AI Agents and Compound AI Systems

• مهندسی پرامپت: مقدمه و بهترین روش‌ها Prompt Engineering: Introduction and Best-Practices

• تکنیک‌های مهندسی پرامپت: CoT، Zero Shot، Few Shot و غیره Prompt Engineering Techniques: CoT, Zero-Shot, Few-Shot etc.

• آزمایشگاه: استقرار LLM پایه و محیط AI Playground (عملی) Lab: Deploying a Foundational LLM and AI Playground (Hands-On Lab)

• آزمایشگاه: پرس‌وجو از LLM با استفاده از Databricks SDK (عملی) Lab: Querying LLM with the Databricks SDK (Hands-On Lab)

• آزمایشگاه: پرس‌وجو از LLM با استفاده از OpenAI SDK (عملی) Lab: Querying LLM with the OpenAI SDK (Hands-On Lab)

• آزمایشگاه: کار با تابع SQL {ai_query} (عملی) Lab: Working with the "ai_query" SQL Function (Hands-On Lab)

• مقدمه‌ای بر MLFlow و PyFunc برای مدل‌ها و موتورهای AI سفارشی Introduction to MLFlow and PyFunc for Custom AI Models and Engines

• آشنایی با چارچوب Mosaic AI در دیتابریکس Introduction to the Mosaic AI Framework in Databricks

• آزمایشگاه: ثبت یک برنامه LLM با استفاده از MLFlow (عملی) Lab: Registering a LLM Application using MLFlow (Hands-On Lab)

• آزمایشگاه: استقرار برنامه LLM به عنوان Mosaic AI Endpoint (عملی) Lab: Deploying LLM Application as Mosaic AI Endpoint (Hands-On Lab)

سیستم RAG با استفاده از داده‌های سازمانی RAG - Using your Enterprise Data

• درک RAG: استفاده از داده‌های سازمانی شما Understanding RAG - Using your Enterprise Data

• درک فرآیند Fine Tuning (تنظیم دقیق) Understanding Fine-Tuning

• انتخاب استراتژی تکه‌بندی (Chunking) بر اساس مدل و ارزیابی بازیابی Select Chunking Strategy based on model and retrieval evaluation

• آزمایشگاه: تسلط بر Vector Embeddings (عملی) Lab: Getting Comfortable with Vector Embeddings (Hands-On Lab)

• آزمایشگاه: آماده‌سازی داده‌ها برای RAG در قالب جداول Delta (عملی) Lab: Preparing Data for RAG in Delta Table Format (Hands-On Lab)

• درک انواع مختلف ایندکس‌های برداری در دیتابریکس Understanding different types of vector indices in Databricks

• درک الگوریتم‌های جستجو و رتبه‌بندی Understanding Searching and Ranking Algorithms

• آزمایشگاه: ایجاد ایندکس برداری Delta Sync مدیریت‌شده (عملی) Lab: Creating our Managed Delta Sync Vector Index (Hands-On Lab)

• آزمایشگاه: ایجاد خط لوله مدل سفارشی RAG (عملی) Lab: Creating our RAG Custom Model Pipeline (Hands-On Lab)

• آزمایشگاه: استقرار نقطه اتصال (Endpoint) برنامه RAG (عملی) Lab: Deploying our RAG Application Endpoint (Hands-On Lab)

• آزمایشگاه: ارزیابی عملکرد برنامه RAG با استفاده از MLflow (عملی) Lab: Evaluate RAG app performance using MLflow (Hands-On Lab)

عامل‌های هوشمند (AI Agents) با LangChain AI Agents using LangChain

• مقدمه‌ای بر LangChain Introduction to LangChain

• آزمایشگاه: شروع به کار با LangChain (عملی) Lab: Getting Started with LangChain (Hands-On Lab)

• آزمایشگاه: توابع تعریف‌شده کاربر (UDF) در SQL با LangChain (عملی) Lab: SQL User Defined Function with LangChain (Hands-On Lab)

• آزمایشگاه: کدنویسی یک زنجیره چند-عاملی ساده با LangChain (عملی) Lab: Coding a Simple Multi-Agent Chain with LangChain (Hands-On Lab)

آزمون‌های تمرینی [جدید] [NEW] Practise Tests

• آزمون تمرینی ۱ Practise Test 1

• آزمون تمرینی ۲ Practise Test 2